A necessidade

Trabalhar com um LLM sobre um assunto complexo — uma oportunidade de produto, um monitoramento estratégico, uma discovery — logo ultrapassa a simples conversa. Você acumula fontes, decisões, hipóteses, contradições. Volta no dia seguinte e o LLM esqueceu tudo. Você copia e cola um arquivo context.md cada vez maior e, em algum momento, ele já não dá conta.

O problema não é que o LLM careça de inteligência. É que ele carece de memória estruturada.

Como cheguei até aqui

Comecei como todo mundo. No ChatGPT, conversando. O problema apareceu logo: a cada troca, a IA regenerava o documento inteiro. Ou então apenas uma parte, mas sem acesso ao que havia antes. Eu dizia a ela "mostre o que fizemos mais acima", ela regenerava tudo, a gente perdia um tempo enorme e o conteúdo acabava divergindo.

A etapa seguinte foi migrar para o Claude Code — uma ferramenta que deixa você conversar com um LLM e, ao mesmo tempo, permitir que ele escreva direto em um arquivo Markdown. De vez em quando eu pedia que ele reestruturasse, dava para reler com facilidade e até para eu mesmo mudar coisas dentro do texto. Era melhor. Mas um arquivo longo ainda não bastava.

E, sobretudo, apareceu um problema de fundo: o arquivo é organizado ou para o humano, ou para a IA — nunca para os dois. A IA precisa de referências para retomar uma sessão de onde parou, memorizar decisões, reencontrar fontes. O humano precisa agregar a informação, validar, recortar por tema ou por risco. Não é a mesma estrutura, não são as mesmas necessidades.

Então passei a ter dois arquivos. Um para a IA, um para o humano. Isso funcionou por um tempo. Mas os dois acabaram inchando, e havia um pouco de tudo em cada um — fontes, decisões, hipóteses, diretrizes, misturadas no mesmo fluxo.

Comecei a recortar. Um arquivo de diretrizes à parte, que não fala de uma feature, mas da forma como a IA deve trabalhar. Depois um arquivo de definições. Depois outros. E, em algum momento, o estalo: não era mais preciso pensar em arquivos, mas em sistema de organização. E, já que os LLMs se inspiram no cérebro humano, talvez a memória deles também devesse se inspirar nele.

Um contexto estruturado, em versão simplificada, se parece com isto:

<contexte>/
├── 00_mission/
│   ├── mission.md            ← por que estamos aqui
│   ├── directives.md         ← como a IA deve trabalhar
│   └── load_manifest.json    ← o que carregar, em que ordem
├── 01_active/
│   ├── active.md             ← estado atual + plano
│   └── decisions.md          ← decisões tomadas e por quê
├── 02_checkpoints/           ← fotos de etapa do contexto
├── 03_sources/
│   └── source_catalog.md     ← índice das fontes brutas
├── 04_notes/                 ← notas atômicas, conectadas entre si
├── 05_memory/
│   ├── journal/              ← o que aconteceu (episódico)
│   └── synthesis.md          ← o que retemos disso (longo prazo)
└── 07_outputs/               ← entregáveis produzidos

Cada pasta tem um papel preciso. Nada fica misturado. E, sobretudo, não carregamos tudo a cada sessão — carregamos o núcleo (00_mission + 01_active) e o resto sob demanda.

O que realmente importa é o contexto

Mas antes de detalhar por que essa estrutura funciona, é preciso enunciar uma verdade mais ampla.

O que faz alguém se destacar em uma área raramente é a técnica. É a profundidade do contexto que essa pessoa interiorizou.

Um bom vendedor não vende melhor porque domina um script. Ele vende melhor porque entende os desafios do cliente — suas restrições, seus medos, seu vocabulário, o que ele não diz. Um bom product manager não faz um produto melhor porque conhece os frameworks. Ele o faz porque entendeu o contexto do usuário — seus hábitos, seus atritos, o que ele contorna por falta de coisa melhor. Um sociólogo não compreende um movimento social lendo estatísticas. Ele o compreende ao captar o contexto vivido de um grupo — seus códigos, suas tensões internas, sua relação com o mundo.

O contexto é o que transforma informação em compreensão. O resto — a decisão, a ação, a produção — decorre disso quase mecanicamente.

E é exatamente isso que falta quando você trabalha com um LLM em um assunto que se prolonga.

Não dá para colocar tudo em um único arquivo

Um cérebro humano não funciona carregando tudo o que sabe a cada instante. Ele decompõe. Ele arruma. Ele separa o que é estável do que está em andamento. Ele distingue uma fonte bruta de uma convicção pessoal. Ele esquece os detalhes para guardar os padrões.

Um LLM é a mesma coisa — mas pior. Sua janela de contexto é finita. E quanto mais a gente preenche, mais a atenção dele se degrada sobre o que está enterrado no meio. Isso não é intuição: pesquisadores de Stanford demonstraram isso em Lost in the Middle (Liu et al., 2024). A conclusão deles: um LLM recupera muito melhor uma informação posicionada no início ou no fim do seu contexto do que uma informação enterrada no meio. Carregar um arquivo de 3000 linhas na esperança de que ele "entenda tudo" é como ler um livro inteiro em voz alta para alguém e pedir que ele retenha cada frase.

O que você precisa fazer é carregar apenas o que importa para a tarefa em curso. E, para isso, é preciso ter recortado o conhecimento em pedaços navegáveis.

Carregar o mínimo, com o máximo de impacto

Se o problema está claro — não dá para carregar tudo —, a pergunta passa a ser: o que carregar, e como?

A solução é ter um núcleo compacto que carregamos sistematicamente: a missão (por que estamos aqui), o estado atual (onde estamos), o plano (para onde vamos), as decisões tomadas, as contradições em aberto e uma ficha de retomada. Esse núcleo cabe em alguns arquivos curtos. Ele dá ao LLM tudo o que é preciso para estar operacional na hora, sem ruído.

Depois, conforme a necessidade da sessão, carregamos sob demanda: uma fonte específica que queremos analisar, uma nota que queremos enriquecer, um checkpoint antigo que queremos comparar. O resto — as dezenas de fontes, as notas atômicas, os diários de sessão — fica em disco, acessível, mas fora da janela de contexto.

Para isso funcionar, é preciso um mecanismo que diga à IA o que carregar, em que ordem e com que prioridade. É o papel de um manifesto de carregamento — uma espécie de playlist de contexto. Em primeiro lugar: a missão e o estado atual (o núcleo, sempre). Em seguida: os arquivos recomendados conforme a fase em curso. Por fim: os arquivos disponíveis, mas carregados apenas se a sessão exigir. É como uma mesa de cirurgia: os instrumentos essenciais já estão ali, os demais estão ao alcance da mão, mas a gente não coloca tudo em cima da mesa.

É exatamente o que faz um especialista humano. Ele não relê o dossiê inteiro a cada reunião. Ele interiorizou o essencial e vai buscar um documento específico quando precisa. A diferença é que um LLM não pode interiorizar — ele só tem o que a gente dá a ele. Daí a importância de dar a ele o subconjunto certo, e não tudo.

Separar as fontes do que produzimos

Um erro frequente: misturar tudo. A transcrição de uma entrevista, a hipótese que tiramos dela, a decisão que tomamos, o entregável que geramos — tudo no mesmo arquivo, no mesmo fluxo.

O problema é a rastreabilidade. Quando tudo está misturado, a gente não sabe mais o que veio de onde. Não sabe mais se uma afirmação é um fato com fonte ou uma interpretação. Não sabe mais se uma decisão ainda é válida ou se foi substituída.

Separar as fontes (o material bruto) da memória (o que retemos delas) e das produções (o que entregamos) não é burocracia. É o que permite manter um raciocínio confiável ao longo do tempo.

Um contexto bem estruturado produz mais do que pedimos a ele

Um problema clássico do product management: escrevemos muitos documentos, mas nunca encontramos o que queremos. As notas de discovery dormem num Google Doc. O brief de produto está num Notion. A ata da reunião estratégica está em algum lugar no Slack. A informação existe, mas está dispersa, desconectada, inutilizável.

Quando estruturamos um contexto em torno de um assunto — separando as fontes, as notas, as decisões, a memória —, algo poderoso acontece. Esse contexto se torna uma base reutilizável. A partir do mesmo núcleo de conhecimentos, dá para gerar entregáveis muito diferentes: um brief de release, user stories, um communication pack (resumo, newsletter, post no LinkedIn), uma apresentação para a diretoria.

A gente não reescreve tudo a cada vez. Combina os blocos certos do contexto para atender a uma necessidade específica. O LLM não inventa nada — ele monta o que já está ali, com a granularidade certa e o ângulo certo. É a diferença entre ditar um documento do zero e pedir a um assistente que já conhece o dossiê inteiro que o adapte a um novo formato.

É aí que a estruturação deixa de ser "boa prática" e vira uma vantagem real: um contexto bem organizado não é apenas legível, ele é produtivo.

O fim do sequencial

O product management clássico funciona por fases: fazemos a discovery, depois redigimos as specs, depois entregamos, depois comunicamos. Cada etapa espera a anterior. É elegante num diagrama, mas é lento — e não reflete a realidade do campo.

Com um sistema de contextos e um LLM, esse sequenciamento salta. A discovery nunca para de verdade. Dialogamos continuamente com a IA para refinar, questionar, reformular. O contexto amadurece o tempo todo, e os entregáveis melhoram ao longo desse amadurecimento — não no fim de uma fase, mas durante ela. Dá para tirar um primeiro brief já na segunda sessão, fazer ele evoluir à medida que o contexto se enriquece, e o entregável final não passa da última iteração de um documento que cresceu junto com a reflexão.

Mas o efeito mais interessante está em outro lugar. Quando você trabalha assim, abre muitos contextos. Oportunidades de produto, explorações, monitoramentos. Alguns nunca vão virar uma funcionalidade. Eles "não servem para nada" no sentido clássico do termo. Só que esses contextos não estão isolados. Eles são conexos. Uma exploração sobre os hábitos de manutenção industrial alimenta uma reflexão sobre a gestão de ativos. Um monitoramento dos modelos de pricing SaaS ilumina uma oportunidade de monetização de um módulo. Três contextos que pareciam independentes convergem um dia para um quarto, que jamais teria sido tão rico sem eles.

É uma mudança de postura. A gente não trabalha mais no modo "uma ideia → um entregável". Cultivamos uma rede de contextos que se fertilizam mutuamente. E no dia em que uma decisão de produto precisa ser tomada, o terreno já está lá.

Ideias precisas, conectadas entre si

Essa rede de contextos funciona em grande escala. Mas dentro de cada contexto, o mesmo princípio se aplica na escala das ideias.

O que faz a inteligência — humana ou artificial — não é acumular conhecimento. É conectar ideias precisas entre si. E, sobretudo, ideias distantes.

Um exemplo. No campo da otimização de horários — alocar salas, recursos, faixas de horário sob múltiplas restrições —, uma das abordagens mais eficazes se chama recozimento simulado (simulated annealing). Em 1983, Kirkpatrick, Gelatt e Vecchi publicam na Science um artigo fundador: eles mostram que um processo da metalurgia — aquecer um metal e depois resfriá-lo lentamente para que seus átomos encontrem uma configuração estável — pode ser transposto para um algoritmo de otimização combinatória. Nenhuma relação evidente entre uma fundição e um planejamento de salas — e, no entanto, essa transferência mudou todo um campo de pesquisa. A ligação existe, desde que alguém a tenha captado.

É exatamente a promessa do Zettelkasten — esse sistema de notas atômicas inventado pelo sociólogo alemão Niklas Luhmann, que descrevia sua caixa de fichas como um "parceiro de comunicação" (Luhmann, 1981). Cada ideia é isolada, precisa e conectada explicitamente a outras. Não armazenamos blocos de texto. Armazenamos unidades de pensamento, cada uma com seus links. E é nesses links que a inteligência emerge: quando uma nota sobre um fenômeno físico cruza uma nota sobre um problema de ordenação, quando uma observação de campo se junta a uma hipótese teórica lida seis meses antes.

Aplicado a um sistema de contextos para LLM, isso quer dizer: não escrever longas sínteses monolíticas, mas notas curtas, bem tituladas, bem conectadas. Cada nota é um ponto. A rede de links entre esses pontos é o mapa. E é esse mapa que permite — tanto a um humano quanto a um LLM — fazer conexões que um arquivo plano jamais permitiria.

Aliás, é essa a intuição por trás do A-MEM (Xu et al., 2025) — um sistema de memória para agentes LLM diretamente inspirado no Zettelkasten. Notas estruturadas, indexadas dinamicamente, conectadas entre si. Uma arquitetura que dá à IA os meios de navegar na própria memória em vez de carregar tudo de uma vez.

Memória curta, memória longa e o direito de refazer o caminho

Um cérebro humano não tem uma única memória. Ele tem várias, que funcionam em escalas de tempo diferentes. Foi isso que Atkinson e Shiffrin formalizaram já em 1968 com seu modelo multiarmazenamento: um registro sensorial, uma memória de curto prazo, uma memória de longo prazo. Endel Tulving refinou depois a distinção em 1972, separando memória episódica e memória semântica. Concretamente: a memória de trabalho retém o que acontece agora — uma conversa, um cálculo em andamento. A memória episódica armazena os eventos vividos — o que fizemos na terça, o que o cliente disse na reunião. E a memória de longo prazo consolida as verdades duráveis — os reflexos, as convicções, os padrões que interiorizamos à força da experiência. Um motorista experiente não pensa mais em como trocar de marcha. Um product manager sênior não redescobre a cada projeto que os usuários mentem em entrevista. Esses saberes viraram automatismos.

Um sistema de contextos para LLM reproduz essa arquitetura. O diário de sessão é a memória episódica: o que aconteceu, quando, em que ordem. A síntese consolidada é a memória de longo prazo: as conclusões estáveis, as decisões validadas, os padrões extraídos de dezenas de sessões. E os checkpoints são as fotos de etapa — o estado completo do contexto num instante dado.

Mas há uma diferença fundamental em relação ao cérebro humano. Um cérebro esquece — e isso é até sua força, é o que evita que ele sature. Um sistema de arquivos, por sua vez, não esquece nada. E é aí que a auditabilidade entra em jogo. Num sistema bem estruturado, cada informação refinada — uma convicção de produto, uma decisão estratégica, uma hipótese validada — pode ser rastreada. Da síntese, subimos ao checkpoint que a produziu. Do checkpoint, subimos às sessões. Das sessões, subimos às fontes brutas — a entrevista, o artigo, o dado.

É o mesmo princípio que vale na ciência: uma conclusão só tem valor se der para remontar ao método e aos dados que a produziram. Quando um stakeholder pergunta "por que essa decisão?", a resposta não é "porque a IA disse". É "aqui aparece o caminho: fonte → análise → síntese → decisão". Tudo é rastreável, tudo é verificável. A memória não é uma caixa-preta — é uma cadeia de provas.

O que isso muda concretamente

Antes, minha profissão de product manager consistia, em boa parte, em produzir documentos. Muita documentação. Algumas peças exigiam expertise — enquadramento estratégico, arbitragens de arquitetura, priorização. Mas muitas outras eram produção de conteúdo a partir de informação já existente: documentação de suporte, artigos de blog, newsletters, notas de release, comunicação interna. Trabalho necessário, mas amplamente automatizável desde que a gente disponha de um contexto sólido.

Hoje, isso está em processo de automação. Não porque a IA seja "mágica", mas porque um contexto forte, coerente e completo permite gerar esses entregáveis de maneira quase autônoma. A documentação de suporte se deduz das decisões e das specs. A newsletter se constrói a partir das notas de release e do contexto do produto. Alguns entregáveis estão automatizados a quase 100%. Outros — as user stories, por exemplo — ainda exigem uma releitura humana, mas o primeiro rascunho já é sólido.

A mudança mais profunda não está na produção. Está no material de base. Antes, escrevíamos documentos para fazer produtos. Redigíamos entregáveis para poder entregar software. Era o entregável que importava — o documento final, congelado, validado.

Hoje, escrevemos contextos. Conversamos com a IA — muitas vezes em voz alta, diante da tela — para criar, enriquecer, refinar contexto. O entregável não é mais o ponto de partida do trabalho, é um subproduto. O que tem valor é o próprio contexto — e, como vimos, a rede de contextos conexos que se fertilizam entre si.

Para onde isso leva

O que se desenha é uma mudança de postura do product manager. Passamos de alguém que faz muitas coisas sozinho — discovery, specs, comunicação, coordenação — para alguém que gerencia uma equipe de IAs. Conversamos, explicamos o contexto, questionamos os resultados, arbitramos. O dia a dia se parece menos com redação e mais com management.

E é um exercício exigente. Explicar um contexto a uma IA que não sabe nada dele obriga você a verificar que você mesmo o compreende. Explicar tudo de novo, reformular, precisar — é um espelho impiedoso. Se o contexto está confuso na sua cabeça, o resultado vai ser confuso. A IA não compensa a aproximação, ela a amplifica.

Naval Ravikant fala de specific knowledge — aquele saber que não pode ser ensinado, que não se reduz a um processo. Dá para ensinar contabilidade. Dá até para automatizar, confiar a uma IA. Mas existem competências que a gente não sabe formalizar. Por que tal pessoa é excelente numa área que não conseguimos reproduzir? É saber específico — construído pela experiência, pela intuição, pelo contexto vivido.

Acredito que é aí que o humano se recentra. A IA assume o que é formalizável: a produção de conteúdo, a agregação, a formatação. O humano guarda o que não é: a opinião. Porque fazer produto é cruzar dados quantitativos e qualitativos, é reunir sinais fracos — mas, no fim, é ter uma convicção. E uma convicção não se delega.

Ter uma opinião é, às vezes, até assumir riscos desmedidos. Numa startup, alguns escolhem ter 1 ou 2% de chances de virar um unicórnio — e 99% de chances de morrer. Que IA tomaria essa decisão? Assumir riscos, sustentar posições contundentes, apostar numa visão que os dados ainda não validam — uma IA não sabe fazer isso. Pelo menos não hoje. E é precisamente isso que dá a uma software house sua cultura, sua cor, seu DNA. É o que faz com que um produto não seja intercambiável com outro, mesmo quando as features se parecem. Não é a IA que cria essa diferença — é o humano por trás.

Esse sistema de contextos não é um fim em si. É uma ferramenta para que o humano possa se concentrar no que faz de melhor — pensar, decidir, ter um ponto de vista — delegando o resto a uma IA que finalmente tem os meios de lembrar.

Esse sistema cuida do início da cadeia — a reflexão, a estruturação, a decisão. Mas do lado final, uma outra transformação está em curso.

Todos nós já vivemos isso: uma documentação é produzida no momento da especificação, depois o desenvolvimento avança, arbitragens são feitas, ajustes acontecem no meio do caminho — e ninguém tem tempo de voltar para atualizar cada spec, cada changelog, cada documento de suporte. O resultado é sempre o mesmo: a documentação e o código acabam divergindo. Quanto mais o produto envelhece, mais a distância aumenta.

Hoje, a IA permite inverter esse fluxo. Quando o código está suficientemente limpo e documentado, dá para fazer dele a fonte a partir da qual todo o resto se reconstrói: atualizar uma documentação de suporte depois de uma entrega, gerar um changelog mais confiável, ou reconstituir uma especificação funcional a partir do estado real do produto, em vez de partir de um documento antigo.

É o que dá para chamar de abordagem code centric. O código não é mais apenas o entregável final — ele se torna o elemento central, a fonte de verdade em torno da qual gravitam e se regeneram os demais artefatos do produto. A mesma lógica vale para o design: se somos capazes de reconstruir um design system a partir do código real e de mantê-lo atualizado, a maquete muda de status — ela deixa de ser uma representação congelada e se torna uma base aproveitável.

Exploro essa ideia com mais detalhe neste artigo.

Para saber mais

O PM como arquiteto do Contexto Adicionar uma memória de sessão como no OpenClaw